海洋声速的稀疏表示方法比较与重构性能分析

袁寒箫; 唐秋华; 艾松涛; 刘杨

doi:10.13203/j.whugis20240282

您当前的位置：

首页 >

文章列表页 >

海洋声速的稀疏表示方法比较与重构性能分析

大地测量学与测量工程 | 更新时间：2026-11-05

- 海洋声速的稀疏表示方法比较与重构性能分析
- Comparison of Sparse Representation Methods and Reconstruction Performance Analysis for Ocean Sound Velocity
- 武汉大学学报（信息科学版） 2026年51卷第4期页码：714-725
- 作者机构：
  
  1.武汉大学中国南极测绘研究中心，湖北武汉，430079
  2.极地环境监测与公共治理教育部重点实验室(武汉大学),湖北武汉,430079
  3.武汉大学测绘学院，湖北武汉，430079
  4.自然资源部第一海洋研究所，山东青岛，266061
- 作者简介：
  
  袁寒箫，博士生，主要从事海洋测绘研究。yuanhanxiao1232021@163.com
  艾松涛，教授。ast@whu.edu.cn
- 基金信息：
  
  国家重点研发计划(2024YFC2816301;2023YFC2809100);国家自然科学基金(42376185)
- DOI：10.13203/j.whugis20240282
  中图分类号： P229
- 收稿：2025-06-15，
  
  纸质出版：2026-04-05
- 稿件说明：
移动端阅览
袁寒箫,唐秋华,艾松涛，等.海洋声速的稀疏表示方法比较与重构性能分析[J].武汉大学学报（信息科学版）,2026,51(4):714-725.

YUAN Hanxiao,TANG Qiuhua,AI Songtao,et al.Comparison of Sparse Representation Methods and Reconstruction Performance Analysis for Ocean Sound Velocity[J].Geomatics and Information Science of Wuhan University,2026,51(4):714-725.
袁寒箫,唐秋华,艾松涛，等.海洋声速的稀疏表示方法比较与重构性能分析[J].武汉大学学报（信息科学版）,2026,51(4):714-725. DOI：10.13203/j.whugis20240282

YUAN Hanxiao,TANG Qiuhua,AI Songtao,et al.Comparison of Sparse Representation Methods and Reconstruction Performance Analysis for Ocean Sound Velocity[J].Geomatics and Information Science of Wuhan University,2026,51(4):714-725. DOI：10.13203/j.whugis20240282

摘要

准确重建二维声速剖面及三维海洋声速场对于众多海洋声学应用至关重要，但广阔海域中声速的时空差异和随时间变化的不确定性使其成为一项困难的任务。针对海洋声速信息重构精度受限的问题，基于经验正交函数(empirical orthogonal function，EOF)、字典学习(dictionary learning

DL)和张量分解(tensor decomposition

TD) 3种主流声速稀疏表示方法研究了二维声速剖面和三维海洋声速场的稀疏表示效果和数据重构精度。结果表明，在二维声速数据的稀疏表示中，DL方法在全球范围内表现出更优的重构效果，大部分海域的重构误差仅为0.2 m/s。DL方法在深度方向和时间维度上比EOF方法表现出更高的稳定性，更适合用于二维声速数据的稀疏表示。对于三维声速场，TD方法通过多个因子矩阵有效捕捉声速的三维空间变化特点，适用于三维声速数据的稀疏表示。在大幅减少参数数量的同时，TD方法实现了更加稳定且精度更高的重构结果，整体重构误差为0.21 m/s。

Abstract

Objectives

Ocean sound velocity is a fundamental element of marine environmental observation

and accurate sound velocity information is critical for ocean exploration

underwater communication

navigation

and localization. Accurately reconstructing two-dimensional sound velocity profiles (SVP) and three-dimensional ocean sound velocity fields (SVF) is crucial for various ocean acoustics applications. However

the spatial and temporal variations and uncertainties in sound velocity across the vast ocean make this a challenging task

necessitating further investigation into sparse representations of ocean sound velocity.

Methods

To address the problem of limited reconstruction accuracy of ocean sound velocity information

we propose a sparse representation method based on three mainstream approaches: Empirical orthogonal function (EOF)

dictionary learning (DL)

and tensor decomposition (TD). The sparse representation effects and data reconstruction accuracies of 2D SVP and 3D ocean SVF are investigated using global ocean Argo (array for real-time geostrophic oceanography) grid data. For 2D sound velocity information

we extend to a global scale

analyzing the determination of EOF order and grid sparsity

and comprehensively comparing the reconstruction results of the EOF and DL methods. For the 3D sound velocity field

the Central Pacific Ocean serves as the experimental area. The parameter information for EOF

and TD methods is determined based on the training set

and the reconstruction results for the test set are analyzed to assess the data reconstruction accuracies of the three methods.

Results

The results demonstrate that in the sparse representation of 2D sound velocity data

DL method demonstrates superior reconstruction performance on a global scale

achieving reconstruction errors as low as 0.2 m/s in most sea regions. Additionally

DL method shows greater stability in both the depth and time dimensions compared to EOF method

making them more suitable for sparse representation of two-dimensional sound velocity data. For the three-dimensional sound velocity field

the tensor decomposition method effectively captures the spatial variability of sound velocity through multiple factor matrices. This approach is well-suited for the sparse representation of three-dimensional sound velocity data

significantly reducing the number of parameters while delivering more stable and accurate reconstruction results

with an overall reconstruction error of 0.21 m/s.

Conclusions

To draw a conclusion

these experimental findings provide practical guidance for the compression and feature extraction of multidimensional sound velocity information

thereby improving the reconstruction and inversion accuracy of ocean sound velocity.

关键词

Keywords

references

杨元喜，刘焱雄，孙大军，等 . 海底大地基准网建设及其关键技术［J］. 中国科学：地球科学， 2020 ， 50 （ 7 ）： 936 - 945 .

YANG Yuanxi ， LIU Yanxiong ， SUN Dajun ， et al . Seafloor Geodetic Network Establishment and Key Technologies ［J］. Scientia Sinica （Terrae）， 2020 ， 50 （ 7 ）： 936 - 945 .

陈冠旭，刘杨，李梦昊，等 . GNSS-声学海底定位的声速误差处理方法综述［J］. 武汉大学学报（信息科学版）， 2022 （ 9 ）： 1349 - 1363 .

CHEN Guanxu ， LIU Yang ， LI Menghao ， et al . Review on the Processing Methods of Sound Speed Errors in GNSS-Acoustic Seafloor Positioning ［J］. Geomatics and Information Science of Wuhan University ， 2022 （ 9 ）： 1349 - 1363 .

郭金库 . 信号稀疏表示理论及其应用［M］. 北京：科学出版社， 2013 .

GUO Jinku . Signal Sparse Representation Theory and Its Application ［M］. Beijing ： Science Press ， 2013 .

CHENG L ， JI X Y ， ZHAO H F ， et al . Tensor-Based Basis Function Learning for Three-Dimensional Sound Speed Fields ［J］. The Journal of the Acoustical Society of America ， 2022 ， 151 （ 1 ）： 269 - 285 .

李倩倩，朱金龙，罗宇，等 . 海水声速剖面基函数的重构性能分析［J］. 海洋学报， 2023 ， 45 （ 11 ）： 34 - 44 .

LI Qianqian ， ZHU Jinlong ， LUO Yu ， et al . Reconstruction Performance Analysis for Basis Function of the Sound Speed Profile ［J］. Acta Oceanologica Sinica ， 2023 ， 45 （ 11 ）： 34 - 44 .

BIANCO M ， GERSTOFT P . Dictionary Learning of Sound Speed Profiles ［J］. The Journal of the Acoustical Society of America ， 2017 ， 141 （ 3 ）： 1749 .

李倩倩，李宏琳，曹守莲，等 . 基于遥感数据和表层声速的全海深声速剖面反演［J］. 海洋学报（中文版）， 2022 ， 44 （ 12 ）： 84 - 94 .

LI Qianqian ， LI Honglin ， CAO Shoulian ， et al . Inversion of the Full-Depth Sound Speed Profile Based on Remote Sensing Data and Surface Sound Speed ［J］. Acta Oceanologica Sinica ， 2022 ， 44 （ 12 ）： 84 - 94 .

冯西安，寇思玮，谭伟杰，等 . 水声信号处理中的稀疏表示理论及应用［J］. 电子学报， 2021 ， 49 （ 9 ）： 1840 - 1851 .

FENG Xi’an ， KOU Siwei ， TAN Weijie ， et al . Sparse Representation Theory and Application in Underwater Acoustic Signal Processing ［J］. Acta Electronica Sinica ， 2021 ， 49 （ 9 ）： 1840 - 1851 .

寇思玮，冯西安，毕杨，等 . 水声信号稀疏重构高分辨角度-多普勒成像［J］. 声学学报， 2021 ， 46 （ 4 ）： 519 - 528 .

KOU Siwei ， FENG Xi’an ， BI Yang ， et al . High-Resolution Angle-Doppler Imaging by Sparse Recovery of Underwater Acoustic Signals ［J］. Acta Acustica ， 2021 ， 46 （ 4 ）： 519 - 528 .

丁继胜，周兴华，唐秋华，等 . 多波束勘测声速剖面场的EOF表示方法［J］. 武汉大学学报（信息科学版）， 2007 ， 32 （ 5 ）： 446 - 449 .

DING Jisheng ， ZHOU Xinghua ， TANG Qiuhua ， et al . Expression of Multi-Beam Echo Sounding Sound Velocity Profile with Empirical Orthogonal Functions ［J］. Geomatics and Information Science of Wunan University ， 2007 ， 32 （ 5 ）： 446 - 449 .

张志伟，暴景阳，肖付民，等 . 利用模拟退火算法反演多波束测量声速剖面［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 8 ）： 1234 - 1241 .

ZHANG Zhiwei ， BAO Jingyang ， XIAO Fumin ， et al . Inversion of Sound Velocity Profile in Multibeam Survey Based on Simulated Annealing Algorithm ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 8 ）： 1234 - 1241 .

袁浩，贾帅东，金绍华，等 . 利用GA-NN模型反演声速剖面的众源水深数据声速改正［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 3 ）： 377 - 385 .

YUAN Hao ， JIA Shuaidong ， JIN Shaohua ， et al . Correction for Crowd Sourced Bathymetry Data Using GA-NN Model to Inverse Sound Velocity Profiles ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 3 ）： 377 - 385 .

孙文川，暴景阳，金绍华，等 . 多波束海底地形畸变校正与声速剖面反演［J］. 武汉大学学报（信息科学版）， 2016 ， 41 （ 3 ）： 349 - 355 .

SUN Wenchuan ， BAO Jingyang ， JIN Shaohua ， et al . Inversion of Sound Velocity Profiles by Correcting the Terrain Distortion ［J］. Geomatics and Information Science of Wuhan University ， 2016 ， 41 （ 3 ）： 349 - 355 .

周士弘，张茂有，周曰鹏 . 海洋声速场的经验正交函数描述及声速剖面预报［J］. 海洋通报， 1999 ， 18 （ 5 ）： 27 - 34 .

ZHOU Shihong ， ZHANG Maoyou ， ZHOU Yuepeng . Study on Empirical Orthogonal Functions Expression and Prediction of the Sound Speed Field ［J］. Marine Science Bulletin ， 1999 ， 18 （ 5 ）： 27 - 34 .

张林虎，刘杨，刘焱雄，等 . 基于分层EOF的深海声速剖面时变特征建模［J］. 海岸工程， 2022 ， 41 （ 3 ）： 209 - 222 .

ZHANG Linhu ， LIU Yang ， LIU Yanxiong ， et al . Modeling of Time-Varying Characteristics of Deep-Sea Sound Velocity Profile Based on Layered-EOF ［J］. Coastal Engineering ， 2022 ， 41 （ 3 ）： 209 - 222 .

DAVIS R E . Predictability of Sea Surface Temperature and Sea Level Pressure Anomalies over the North Pacific Ocean ［J］. Journal of Physical Oceanography ， 1976 ， 6 （ 3 ）： 249 - 266 .

LEBLANC L R ， MIDDLETON F H . An Underwater Acoustic Sound Velocity Data Model ［J］. The Journal of the Acoustical Society of America ， 1980 ， 67 （ 6 ）： 2055 - 2062 .

SUN S J ， ZHAO H F . Sparse Representation of Sound Speed Profiles Based on Dictionary Learning ［C］// The 13th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics ， Chengdu， China ， 2020 .

汪恺，李风华，杨习山 . 利用字典学习的浅海被动声层析［J］. 声学技术， 2022 ， 41 （ 5 ）： 637 - 641 .

WANG Kai ， LI Fenghua ， YANG Xishan . Shallow Water Passive Acoustic Tomography Using Dictionary Learning ［J］. Technical Acoustics ， 2022 ， 41 （ 5 ）： 637 - 641 .

GERSTOFT P ， MECKLENBRÄUKER C F ， SEONG W ， et al . Introduction to Compressive Sensing in Acoustics ［J］. The Journal of the Acoustical Society of America ， 2018 ， 143 （ 6 ）： 3731 - 3736 .

BIANCO M ， GERSTOFT P . Compressive Acoustic Sound Speed Profile Estimation ［J］. The Journal of the Acoustical Society of America ， 2016 ， 139 （ 3 ）： EL90 - EL94 .

CHOO Y ， SEONG W . Compressive Sound Speed Profile Inversion Using Beamforming Results ［J］. Remote Sensing ， 2018 ， 10 （ 5 ）： 704 .

CHEN P Q ， CHENG L ， ZHANG T ， et al . Tensor Dictionary Learning for Representing Three-Dimensional Sound Speed Fields ［J］. The Journal of the Acoustical Society of America ， 2022 ， 152 （ 5 ）： 2601 - 2616 .

LI S Y ， CHENG L ， ZHANG T ， et al . Striking the Right Balance： Three-Dimensional Ocean Sound Speed Field Reconstruction Using Tensor Neural Networks ［J］. The Journal of the Acoustical Society of America ， 2023 ， 154 （ 2 ）： 1106 - 1123 .

钟玮琪，屈科，梁羿 . 基于经验正交函数的剖面重构及其物理意义分析［J］. 海洋技术学报， 2022 ， 41 （ 1 ）： 57 - 64 .

ZHONG Weiqi ， QU Ke ， LIANG Yi . Profile Reconstruction Based on Empirical Orthogonal Function and Its Physical Meaning Analysis ［J］. Journal of Ocean Technology ， 2022 ， 41 （ 1 ）： 57 - 64 .

TOŠIĆ I ， FROSSARD P . Dictionary Learning ［J］. IEEE Signal Processing Magazine ， 2011 ， 28 （ 2 ）： 27 - 38 .

TROPP J A ， GILBERT A C . Signal Recovery from Random Measurements via Orthogonal Matching Pursuit ［J］. IEEE Transactions on Information Theory ， 2007 ， 53 （ 12 ）： 4655 - 4666 .

MOTA J F C ， XAVIER J M F ， AGUIAR P M Q ， et al . Distributed Basis Pursuit ［J］. IEEE Transactions on Signal Processing ， 2012 ， 60 （ 4 ）： 1942 - 1956 .

ENGAN K ， AASE S O ， HAKON HUSOY J . Method of Optimal Directions for Frame Design ［C］// IEEE International Conference on Acoustics， Speech， and Signal Processing ， Phoenix， AZ， USA， 2002 .

ABDI H . Singular Value Decomposition （SVD） and Generalized Singular Value Decomposition （GSVD）［J］. Encyclopedia of Measurement and Statistics ， 2007 ， 907 （ 912 ）： 44 .

KOLDA T G ， BADER B W . Tensor Decompositions and Applications ［J］. SIAM Review ， 2009 ， 51 （ 3 ）： 455 - 500 .

ZHANG C L ， WANG D Y ， LIU Z H ， et al . Global Gridded Argo Dataset Based on Gradient-Dependent Optimal Interpolation ［J］. Journal of Marine Science and Engineering ， 2022 ， 10 （ 5 ）： 650 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

多尺度地理空间数据更新方法概述

呼包鄂榆城市群草地脆弱性时空演变及因子可解释性分析

面向类脑空间智能的多模态大模型空间认知能力评估框架

大众智能终端GNSS有意干扰检测技术研究现状与展望

海洋目标辐射基准传递不确定度研究进展